本章导言
减少参数化分布假设，并不会消除所有假设。置换和秩方法依赖交换性或对称性，bootstrap依赖统计量及重抽样机制的适用条件，核方法依赖局部平滑性和带宽。每一种方法都需要写明自己控制的目标和误差。
本章既研究精确的随机化检验，也研究非参数估计和渐近近似。U统计量通过投影分解连接样本平均与非正态退化极限；保形预测用有限样本排名控制未来观测的边际覆盖。它们展示了正态近似以外的推断路线，并与18章的覆盖目标和19章的经验过程相衔接。
先修知识与阅读方式
本章按方法分支阅读。16.5＋18.1→22.1→22.2的符号/秩部分；KS/CvM的渐近部分另接19.6→19.7。Bootstrap、核估计和U统计量分别从概率极限定理进入，不构成逐节必修链。保形预测22.6接20.5的数据分割与22.1的交换性。
可在全书学习路线核对先修内容。各节入口列出具体先修与阅读位置，全书依赖图区分主线、并列分支与技术延伸。各节注明完整证明、证明思路和引用定理的范围。
本章各节
- 22.1 置换检验与随机化推断
Permutation and Randomization Tests - 22.2 秩检验与分布检验
Rank and Distribution Tests - 22.3 Bootstrap原理与有效性
Bootstrap Principles and Validity - 22.4 核密度与非参数回归
Kernel Density and Regression - 22.5 U统计量与退化极限
U-statistics and Degenerate Limits - 22.6 保形预测与分布无关覆盖
Conformal Prediction